KrASIA
智能制造

无线通信和AI会是智能制造两大关键吗?

36氪出海推荐 

分享
实现智能制造,要满足两大条件:AI系统设计的自动化以及AI系统部署的自动化。

编者按:本文来自36氪,作者戴昊彤,编辑彭孝秋,36氪出海经授权转载。

尽管工业4.0被提起过无数次,但对于 AI 在里面起到的作用一直讨论不多。同样对于工业互联网,落实到智能制造中的真实场景改造有哪些一样容易忽略?

作为香港中文大学终身教授兼思谋科技董事长/创始人的贾佳亚,近日在《智能制造中的核心AI技术》主题分享中给出了一些启发。

在他看来,4.0时代是以智能为核心的一个时代,这个时代开始不仅仅具备网络、电力,还有计算。计算不再是一种非常奢侈的辅助设备,相反地,计算变成一种基础能源。当电力被计算提纯以后,计算的可利用性和资源强化性将变得非常巨大,技术特点就是永不间断的学习。

也就是说,要想完成工业4.0,必须要重视工业互联网中的无线通信作用,更要重视AI作用。

无线通信在工业互联网中至关重要

自2012年通用电气提出了AIOT(人工智能物联网)概念后,通过新一代的信息通信技术,将关键基础设施与新型应用模式建立起连接工业全要素,实现数据的实时采集和精确分析和智能反馈就越来越普遍。因此,工业互联网的布局与通信息息相关。

在过去,工业通信系统的特征表现为多领域融合,包括传感、通信、计算机和自动控制等。对于通信的要求也非常严格,比如要求高实时性、确定性和可靠性,但部署的环境又很复杂。

“工业互联网,开始成为未来智能制造发展的方向之一”,北京邮电大学教授、IEEE Fellow、中国工程院院士张平表示。

随着无线通信的发展以及工业互联网概念的提出,科研人员开始考虑用无线通信来解决工业互联网面临的挑战。无线通信优势表现在:其结构精简、数据采集和传输受设备影响比较小,可灵活采用工业数据,国内外发展路径也非常清晰。

尽管无线通信成为智能工厂的核心部分,但目前其投入使用的比例较低,不到6%。因为柔性制造对于

对无线网络,或者5G的需求非常高。这是由于这是一个闭环系统,不仅要解决信息从A地到B地不确定性的问题,而是要对这些不确定性问题产生决策,最后对系统的控制产生效应,因此,这就要求具备高安全性、高可靠性。

张平指出,“目前,国内互联网已经由消费互联网进入产业互联网,一方面,其发展对算力提出了新要求,另一方面,也对密集型,时延敏感性提出了新的挑战,在这样的情况下,急需考虑云、边、端的算力资源的自治或者自洽,以高效处理数据。而面向海量业务差异化的上云需求,当前被广泛使用且依赖专家的人工式解决方案,难以满足业务种类、规模增长的需求,比如业务获取、业务分析转译、网络状态感知、策略下发等。因为未来需要实现边缘云、通信云与网络资源的协同一体。”

同时,国内科研人员也在编程语言NPL上实现对用户需求的精确感知,从高级语言转换为网络设置,还有对网络专发2节点逐跳进行信息的采集和报告,实现队列、缓存、延时等精确感知,为网络自治提供准确可靠的数据支撑。 对数据流量历史及宽带的特征进行分析,挖掘网络空间特征,以实现宽带流量自由化。

工业互联网中,目前出现最为棘手的问题在于:工厂里机器设备的运行会产生电磁干扰,尤其是传统的信道建模工厂车间,会影响电子器件的正常通信。因此,为了保证无线干扰传输可靠性,电磁噪声的建模起到至关重要的作用。

为了解决干扰通信的问题,张平提出,未来需要根据车间业务特点来定制合理的设备,接入功率控制策略,避免减少同频干扰,尽可能减少设备空口干扰的影响。

面临这样的挑战,未来无线通信技术的发展有以下急需突破的方向:

首先,在过去,网络是以人为信息作为接收主体构建的网络,而未来面向机器的网络是自主感知的闭环智能机器网络,因此这两者存在很大差异。过去,面向人与人之间通信来设计的“TCP IP” 可归纳“为三部曲”:发一个请求——回答请求——建立链路。因此,这种模式无法适用于机器与机器之间的通信。因此,未来迫切需要变革面向人的无线网络的设计,以及研究出面向闭环信息流的、系统级的信息理论。

其次是搭建感知、传输、计算及使用一体化的网络架构,以及可灵活适配的可信交互协议,以满足工业互联网持续可信的通信需求。如今,5G技术已经把人与人之间的通信扩展到机器与机器之间的通信,同时也增加了一个维度。在这种情况下,未来科研人员可使用很多方法、算法以及算力,来提升其性能。但这需要一个长期准备阶段才能实现。

除了无线通信,AI也无比重要

虽说在工业4.0时代,智能制造意味着制造业进入一个新的发展阶段,人类需要创造一个智能制造的大脑,让它能思考。智能化也更像是代替人类生产的“手臂”,通过智能化控制生产来提高更多效率。

“但是,智能制造是一个非常复杂庞大的工程,包括产品设计、生产管理、生产服务以及对客户交互等环节。智能制造的目的则是要实现所有全链条环节都由机器完成,达到自主决策、自主执行及自主适应。”贾佳亚说道。

为了达到这一目的,在智能制造领域中,实现跨行业的工业AI落地,是目前科研界面临的一大难题。

比如在手机质量检测任务中,实现机器自主检测。假设一款手机大概有400个供应商,所有供应商有5个制程,每个制程有25条产线。在生产手机过程中,科研人员要去做所有零件管控和质量评审,则需要做出近3万种(400×75)算法,才能保证手机摆脱人为因素的干扰,自动判别质量,实现高管控率。如果把范围放缩小至全球排名前5的手机品牌,每个品牌每年约推出6款不同型号,第一年科研人员需要写出90万种算法,但目前没有一个团队可以完成如此繁重的任务。

因此,只有当系统能够自动实现算法组合和部署,人类只需要少量定制化算法,才有可能实现AI的跨领域规模产业化,这是一个巨大的命题。而如何能实现自动的算法组合和部署,则是一个系统工程。

智能制造有三个核心原则,首先,智能制造一定要具备普适性,不管是应用在汽车、飞机等行业,还是半导体、晶圆和3C产业等,都要具备该特质;第二,制造的核心原则是以计算为先,不依赖于电力和其他的基础能源;除此,实现智能制造,还需要满足两大条件,分别是AI系统设计的自动化以及AI系统部署的自动化。只有当这些条件得到满足之后,将会迎来新一代的智能产业变革。

未来 10 年是新一轮工业制造革命的关键时间窗口,也是全球各国将高精尖制造业全面升级成为智能制造的核心阶段,目前智能制造依然面临着场景需求复杂、设备连接力不足、跨行业跨领域能力薄弱、数据分析能力不足等挑战,而唯有用 AI破局,才能激活制造业的增长潜力。

AI的关键在于机器视觉

机器视觉被称为“工业之眼”,是实现智能制造必不可少的一环。目前,机器视觉被广泛应用在消费电子3C制造中。

与其他行业相比,消费电子行业具备“多、变、快、全”这四大明显特征。换而言之,就是产品种类多、生命周期短、更新迭代快、品控严格。同时,生产制造需要不断适应形态及工艺的变化,快速切换生产线。高标准、高要求的品质管控也导致消费电子行业对成本非常敏感。因此,在品控与成本之间做好平衡,提升利润空间成为制造环节中的一大挑战。

进一步来看,在成本方面,人力成本攀升、工人流动性强、工人状态会影响良率性等问题,已成为该行业主要痛点。为了解决这些问题,机器视觉的应用优势得到体现。

在国内,运用机器视觉技术投入智能制造的公司多数属于消费电子领域。

针对机器视觉的特点,闻泰科技副总裁、自动化研究院院长郭洪涛表示,首先,机器视觉具备柔性化优势,机器视觉基本上相当于一个标准品,用一个相机再加上镜头及光源,就能实现拍照功能,再通过图像处理方式去完成检测,并可适用于不同产品,柔性化程度较强。

其次是无接触;最后一点是实现信息化,用图像处理方式再通过算法把数据检测和识别出来,同时将相应信息写入系统,为迭代算法及优化工艺等打下良好基础,因此,机器视觉在消费电子领域应用得越来越广泛。

在手机生产制造中,机器视觉应用得最多的环节包括尺寸测量、贴物料、精确识别等。以贴物料为例,手机由不同零部件组合而成,但不同批次生产的不同构件存在一定公差,机器视觉可通过测量及优化的算法找到零部件之间的最优匹配。

不过,值得一提的是,所有技术都具备一定局限性,且技术落地还需要与相应场景特点相结合。机器视觉在消费电子制造的应用过程中,也存在各种挑战。

举个例子,外观检测是机器视觉应用领域的一大难题,但一旦突破就会变得非常有价值。其难点在于污点、缺陷及形态随机出现在不同位置,对于设备来说很难进行直接的量化定义。因此,需要基于AI算法做一些数据收集及分析,但依然会受到其他外界因素不同程度的干扰。

从机器视觉在智能制造落地应用的趋势来看,其发展空间会越来越广。郭洪涛指出,由于具备算法的支撑,机器视觉能够不断迭代成长。再加上它具有无接触的特点,令它在各种应用场景都能得到发挥及应用。

在未来的发展路径上,机器视觉可与光学设计进行紧密结合,通过更优化的光学设计来实现更好的成相。在具备成像的基础上再加入算法,有利于提高生产效率。其次,通过AI的加持,传统算法能解决智能制造中90%的问题。最后,再将2D与3D进行互补便有望解决以往无法攻破的难题。

由此可见,机器视觉未来的应用前景广阔,也成为智能工厂重要的组成部分。

图 | Unsplash

分享

推荐阅读

深度解析深度解析